技术编程Nature Photonics综述:基于深度学习的光子学结构设计( 二 )


技术编程Nature Photonics综述:基于深度学习的光子学结构设计
本文插图
图三. 卷积神经网络、循环神经网络、深度生成模型等先进深度学习模型在光子学结构设计中的应用 。
3.
深度学习模型与其他优化算法的融合
深度学习模型本身是数据驱动的模型 , 一旦训练完成便可以针对需求进行快速的设计和优化 , 这与常规的数值优化算法是完全不同的 。 因此可以利用常规数值优化算法针对单个目标迭代优化的方式 , 与深度学习数据驱动的方式相结合 。 比如利用生成对抗网络与拓扑优化结合、自编码器与遗传算法结合等 , 可以更高效、准确地解决光子学结构的设计问题 。
技术编程Nature Photonics综述:基于深度学习的光子学结构设计
本文插图
图四. 深度学习模型与其他优化算法相结合解决光子学结构的设计问题 。
总 结
本综述文章介绍了深度学习在光子学结构设计中的应用 。 作为数据驱动的模型范式 , 深度学习在光子学结构设计、光学性能预测及优化中都有着出色表现 , 但同时也面临着新的挑战与机遇 。 例如 , 如何利用深度学习模型的泛化能力去表征除了光谱之外更复杂的光学特性 , 如何解决或缓解深度学习模型对训练数据量的要求 , 如何将深度学习与其他优化算法相结合去发掘更大设计空间中的全局最优解等等 。 相信随着后续的深入研究 , 深度学习在光子学结构设计中将被更广泛使用 , 从而形成一套高速、准确的光子学设计新框架 , 同时有望突破常规经验设计无法完成的设计任务 。
【技术编程Nature Photonics综述:基于深度学习的光子学结构设计】来自:九乡河 两江科技评论 江苏激光联盟转载


推荐阅读